Nhận diện khối u bên trong tuyến tụy bằng mô hình deep learning

Các mô đun biỂn đạng và cấu trúc BConvLSTM là một kĩ thuật được sử đụng để kết hợp các đặc trưng ở các tằng sâu của mạng nơ — ron, kỹ thuật này dược sử đụng để giải quyết vẫn đề mắt mát

KHOA CÔNG NGHỆ THÔNG TIN

ĐINH TRỌNG LUÂN

NHAN DIEN KHÓI U BÊN TRONG TUYẾN TỤY BẰNG MÔ HÌNH DEEP LEARNING

KHÓA LUẬN TÓT NGHIỆP

'TP.HÔ CHÍ MINH - NĂM 2023

NHẬN DIỆN KHÓI U BÊN TRONG TUYẾN TỤY

MÔ HÌNH DEEP LEARNING

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH

KHÓA LUẬN TÓT NGHIỆP

NGƯỜI HƯỚNG DẪN KHOA HỌC: THS TRỊNH HUY HOÀNG:

'THS VY VÂN

“Tôi xin cam đoan khóa luận này của tự bản thân tôi tìm hiểu, nghiên cứu dưới sự hướng dẫn của Thẻ Trịnh Huy Hoàng và Ths.Vy Vân Các số iệu, hình

ảnh phân tích được dẫn chứng có nguồn gốc rõ ràng Kết quả nghiên cứu trong

khóa luận hoàn toàn trung thực, khách quan và chưa được công bổ trong bắt kì nghiên cứu nào khác Cúc tà liệu tham khảo được trích đẫn và chú thích đầy đủ

Sinh viên thực hiện Đỉnh Trọng Luân

cảm ơn đầu tiên, tôi xin trân trọng cảm ơn sâu sắc The Trịnh Huy Hoàng và Thẻ Vy Vân = Giảng viên khoa công nghệ thông tin đã hướng dn ti nước ngoài nhưng vẫn dành thời gian để trao đổi, hướng dẫn, động viên, hỗ trợ tôi trong suốt quá trình hoàn thành khóa luận

in quy thay cô trường Đại học Sư Phạm Thành Tôi xin gửi lời cảm ơn

phố Hồ Chí Minh đã truyền đạt kiến thúc quý báu chotôi trong quá trình học tập

'Cảm ơn nhà trường đã tạo điều kiện,môi trường tốt để tôi tham gia các hoạt động

hội thảo về công nghệ thông tin do trường tổ chức, các bội thâo đã cho tôi kiến thức vô cùng sâu sắc để thực hiện Khóa luận

Cuối cùng, tôi xin bày tô li cảm ơn chân hành với gia đình tôi Những người đồnghành, sát cánh, khích lệ, động viên tôi những lúc khó khăn trong suốt quá tình thực hiện khóa luận

Danh mục thuật ngữ viết tắt

Danh mục các hình vẽ,

Danh mục các bảng biểu

Chương 1 Giới thiệu

1.1 Giới thiệu

1.2 Mục tiêu của khóa luận

1.3 Nội dung thực hiện

1.4 Giới hạn của khóa luận

1.5 Tém tắt những đóng góp của khóa luận

1.5.1 Ding gop vé mit khoa hoe

1.5.2, Đồng góp vé mat thye ti

16 Tổ chức khóa luận

“Chương 2 Các nghiền cứu ung thư biểu mô tuyển tuy

2.1 Ting quan các mô hình phân đoạn ảnh

2.2 Các mồ hình phân đoạn ung thư biểu mô tuyển tụy

2.2.1.Mô hình DLU — Net trong phân đoạn khối biéu mô tuyến tuy 2.2.2 Mô hình PGD ~ UNet trong phân đoạn khôi u biểu mô tuyển tuy

3.3.1 Chuyên đổi ảnh và chọn lọc ede slices

3.3.2 Trích xuất vùng quan tâm

333.Lam giàu dữ liệu

3.44, Mô hình U ~ Netcäi tiến

12 l3

4

4

34 Ham Dice loss Chương 4 Két qua thue nghigm

4.1 Tập dữ liệu 4.2 Tiên xử lý dữ liệu

.43 Phương pháp đánh giá và kết quả

4.3.1 Phương pháp đánh giá

4/32, Kết quả Charomg 5 Tang Ket

3.1 Kết luận 5.2 Hướng phát triển.

Danh mục thuật ngữ viết tắt

“Thuật ngữ tiếng anh

World Health Organization

Computed Tomography

Magnetic Resonance Imaging

Artificial Intelligence

Convolutional neural network

Dice Similarity Coefficion

Medical Segmentation Decathlon

Bidirectional Convolutional Long Short —‘Term Memory Fully Convolutional neural network

Batch Normalization

Rectified Linear Unit

Hyper ~ Pairing Network

Arous Spatial Pyramid Pooling

Hounsficld

Neuroimaging Informatics Technology Initiative

BConvLSTM FCN

BN Rel HPN ASPP

HU NIeTI

Hình 2.1- Mô hình mạng Fully convolutional neural network [7] Hình 2.2- Mô hình U — Net [3]

Hình 2.3- Kiến tric DLU ~ Net [2]

Hình 2.4- Mô hình PGD ~ UNet [4]

Hình 3.1- Qué trinh tgo anh CT

Hình 3.2- Tổng quan về phương pháp để xuất

Hình 33- Chuyển đổi ảnh và chọn các sliees có khối u

Hình 3.4- Sliee và mặt nạ tương ứng khi chưa mở rộng cửa số Hinh 3.5- Slice vi mặt nạ tương ứng sau khi mổ rộng cửa số Hình 3 6- Ảnh và mặt nạ tương ứng trước khi làm giàu dữ liệu Hình 37- Ảnh và mặt nạ của nó su khí làm giàu dữ liệu

Hình 3.8- Mô hình Ù — Net cải tiền

Hình 4.1- Slice và mặt nạ chỉ có nền

Hình 4.2- Sliee và mặt nạ bao gồm nền, tyền tụy và khối u

Hinh 4.3- Slice vi mặt ng bao gồm nền và tuyển tuy

Hình 4.4- KẾt quả sau 50 lẫn đảo tạo

Hình 4.5- Kết quả sau 100 lần đào tạo

Hinh 4.6- K&t qua cia mot slice ng nh

Bảng 4.1- Giá trị Mean IOU của tuyến tụy và khối u trong 10 slices liên tiếp Bảng 4.2- Giá trị DSC của tuyển tụy và khối w của 10 sliees

Bảng 4.3- So sánh giá trị DSC (%) với các phương pháp khác

của ung thư tụy chỉ khoảng 9,3% [1] Vì tỉ lệ

bệnh nhân sau phẫu thuật thường chỉ ống được 2-3 năm, những bệnh nhân mắc ái phátung thư khả lớn nên những shững ung th giai đoạn cuối thì thời gian sống không quá I nim Ủng thư tuyển bao gồm:

Một là ung thư biểu mô tuyển, nó là một loại ung thư bắt nguồn từ các tuyến tếtra hoặc it dich trong co thé Ung thư biểu mô tuyển phát tiền khi các

ào bắt thường trên biểu mô tuyến tụy pháttriển và phân chia không kiểm soát, tạo thành khối u ác tính, Ung thư biểu mô tuyến tụy thường gây ra triệu chứng ở

khi đã phát triển

lh ảnh siêu âm, MRI, CT đã và giai đoạn sớm vả thưởng phát hi n giai đoạn muộn Việc chuẩn đoán ung thư tuyến tụy sớm thông qua

dang được nghiên cứu rắt nhiều trong thời gian gần đây nhằm cải thiện thượng bệnh của bệnh nhân

Hai là ung thư ở nang tức là túi chứa đầy chất lỏng hình thành trong tuyến tụy, Hầu hết các u nang tuyến tụy lả lành tính nhưng một số lại là ung thu Day

là ung thư hiểm gặp và rất nguy hiểm, loại ung thư này bắt đầu phát triển từ tế các tế bào tuyến tụy, tạo ra một số chắt bôi trơn và chất lòng cho các enzyme tiêu hóa được trao đổi giữa các bộ phận của tiêu hóa một cách hiệu quả Tuy nhiên,

ung thu nang túi tuyển tụy

ào

Ba là ở các :Aeinar",loại ung thư này phát triỂn trong các tế bào cacinar của tuyển tụy, nằm ở hai đầu của ông dẫn sản xuất ra các enzyme tiêu hóa

"Tế bào Acinar à những tế bào sản xuấtcnzy me tiêu hóa, giúp phân hủy thúc ăn

và hỗ trợ quá tình tiêu hóa Loại ung thư này cũng có triệu chứng bệnh đễ nhằm, lẫn với các bệnh khác và rắt khó phát hiện trong quá nh điều t của bệnh nhân

Để chuẩn đoán ung thư tuyến tuy loại Äcinar, các bác sĩ thường sử dụng nhiều kĩ

thuật như siêu âm, chụp CT hoặc MRI, hoặc thực hiện xét nghiệm tế bào và mô

Việc xác định đúng loại ungthư này rắtquan trọng để đưa ra phác đồ điều tị phù hợp cho bệnh nhân trong quá trình điều trị

Sở dĩ, ung thư tuyến tuy có tiên lượng xấu hơn so với các loại ung thư tiêu

hóa khác là đo tuyển tụy có vị trí đặc biệt ở rất sâu trong ô bụng Triệu chứng

bệnh ở giai đoạn đầu thường nhằm lẫn với các loại bệnh khác nên người bệnh thường được chuẩn đoán ở giai đoạn muộn Ung thư tuyến tụy sẽ không được

phát hiện cho đến khi tế bảo ung thư ở các mô của nó lan rộng đến các cơ quan trị khôi giảm dẫn

Việc chuẳn đoán ng thư tuyển ty thường diễn ra khi cá bệnh nhân dim

đến bác sĩ với các triệu chứng đau bụng, ngửa vàng da, sụt cân Qua thấm khám,

bác: š yêu cầu bệnh nhân chụp CT (chụp cắt lớp vi tính) hoặc chụp MRI (chụp công hưởng tử) hoặc siêu âm để chuẩn đoản bệnh tỏ hơn qua hình ảnh Việc chuẩn đoán ung thư tuyến tụy qua hình ảnh là một khó khăn, thách thức lớn với

khoảng 80

bác sĩ vì vị trí đặc biệt của tuyển tụy và kích thước rất nhỏ của nó (cl sram) trong 6 bung Thêm vào đó day là một vấn đề nhạy cảm vì nó liên quan đến tính mạng của người bệnh, quá trình chuẩn đoán của các

sức khỏe của bệnh nhân cũng bị ảnh hưởng trong thời gian chuẩn đoán bệnh (do

phác đồ điều trị của các bệnh nhân

Rút ngắn thời gian chuẩn đoán bệnh dựa vào hình ảnh đã được nghiên cứu rit nhiều trong những năm gần đây trong cộng đồng AI Đặc biệt trong lĩnh vực Deep Learning (một lĩnh vực nhỏ thuộc AI) đã nghiên cứu và có những thành tựu đáng kể về vấn để phát hiện ung thư biểu mô tuyến tụy (loại ung thư phỏ biển

nhấctrong các dạng ung thư tuyến tuy) Những nghiên cứu này nhằm hỗ trợ các

bác sĩ chuân đoán khối u cho bệnh nhân một cách nhanh chóng Từ đó giúp bệnh

nhân chữa trì kịp thời, cải thiện và tăng t lệ sống cho các bệnh nhân ung thư biểu

mô tuyến tuy

‘Cy thé là Feng Jiang và cộng sự của ông ấy đề xuất mô hình DLU ~ Net

{2} cho phan đoạn ung thư của tuyển ty, kiến trúc này là sự kết hợp giữa mô Mình U — Net, các mô đun ích chập có thể biến dạng va cfu trie Bidirectional Convolutional Long Short — Term Memory (BConvLSTM) M6 hinh U Net (3)

là một mô hình mạng nơ ~ ron sâu được sử đụng để phân đoạn ảnh Nó có cầu tric encoder = decoder với các lớp ích chập và lớp poling được sử dụng để thú nhỏ kích thước ảnh đầu vào, các lớp upsampling được sử dụng để phục hồi kích đoạn ảnh Các mô đun biỂn đạng và cấu trúc BConvLSTM là một kĩ thuật được

sử đụng để kết hợp các đặc trưng ở các tằng sâu của mạng nơ — ron, kỹ thuật này dược sử đụng để giải quyết vẫn đề mắt mát thông tin khi thông tin ở các tằng sâm phân đoạn ủnh của mô bình và đưa ra kết quả chính xác hơn Ziglang Lỉ và công sự của ôngấy đã để xuất mô hình PƠD ~ UNet 4]cho phân đoạn tuyển tuy và khối u tuyển mô hình này kết hợp hai kiến trú chính là

U ˆ Net và khả năng khai thác không gian biến đổi của tích chập dưới dạng biển

a in hoe cia tuyén tuy va Khu Mo hinh PGD ~ UNet lat mt phuwong php

dao tgo mạng nơ —ron để giảm nhiễu trong quá trình học, nhờ khá năng khai thác thông tin biển đổi không gian giữa tuyển tuy và khối u, mô hình bảo toàn được thông tin vi í các đặc trưng bị mắt trong quá trình tổng hợp của lớp poolin,

10

điều này lâm tăngính ổn định và đạt được kết quả ốt hơn tong quả trình phân

đoạn Các tầng của mô hình sẽ được thêm dẫn vào trong quá trình huắn luyện và

dược huấn luyện giảm nhiễu trong ảnh đầu vào Mô hình PGD ~ UNet kết hợp

"hình phân đoạn chính xác và ôn định hơn, quá trình khai thác thông tin ở các ting

h trong khi đồ kiến trúc U ~ Net giúp mô hình học được các đặc trưng cắp cao trong tích chập giúp bảo toàn vị trí của các đặc trưng và tăng tính ôn định cho mô ảnh và phân đoạn chính xác các vng trong ảnh

‘Wang Zhisheng và cộng sự của anh Ấy đã áp dụng phương pháp Coarse to ine |5] để phân đoạn khối tuyển tuy, phương pháp này bao gồm hai iai đoạn dđoạn đầu tiên của phương pháp là giai đoạn phân đoạn toàn cục dựa trên mô hình

mang CNN, mô hình CNN được huấn lu;

học được các đặc trưng của tế bảo ng thư tuyến tụy và phân loại chúng với các ện phân đoạn trên tập dữ liệu lớn, từ đó vùng khác trong ảnh Sau đó, ảnh được chia thành những vùng nhỏ hơn cho giai U— Net để phân đoạn tế bio ung thư tuyển tụy, tiếp theo so sánh với những đặc trưng đã được học ở giai đoạn toàn cục, điều này làm cho mô hình phân đoạn chính xác hơn các, bảo ung thư,

“Các nghiên cứu trên sử dụng phép đo độ tương đồng ~ DSC để đánh kết

“quả của nghiên cứu, nó đo sự giống nhau giữa ảnh dự đoán của các mô hìnhCNN

"với nhãn thực tế của chúng Giá trị của Ds đáo động từ0 đến 1, với giá trị càng gần I thì mức độ trơng đồng giữa hai ảnh càng cao và ngược hi ng Jĩang và công sự của ông ấy đề xuấtmô hinh DLU — Net cho phân đoạnag thư của tuyển

ty với kết quả DSC trung bình là 91.166 Ziqiang Lỉ và cộng sự của ông dy đã được kết quả DSC trùng bình lẫn lượt là 7.01% va 50.12% Wang Zhi

công sự của anh Á p dụng phương pháp Coarse to Fine dé phin doan kh tuyến tụy và đạt được kết quả DSC trung binh i 63.4%

mô tuyến tụy nhưng về độ chính xác của các nghiên cứu vẫn còn rất quan ngại

Do vị trí đặc biệt của tuyển tụy, kích thước nhỏ, thêm vào đó là khối u biểu mô tuyến rất khó phát biện nếu không có sự hỗ trợ của các bác sĩ, các chuyên gia về tuyển tụy cho quá trình chuẩn bị dữ liệu để nghiên cứu Với thách thức đó, ng cứu để xuất cách trích xuất vùng đặc trưng dựa trên ÿ tướng của phương pháp trueturedlabeling[6] và áp dụng mô hìnhU ~ net cho phân đoạn khối u biểu mô tuyển tụy nhằm cải thiện độ chính xác của các nghiên cứu trước đó Ý tưởng này

sử dụng kĩthuậttrích xuất vùng đặc trừng theo nhân thật để giảm thiểu ảnh hưởng, của các thông tin nhiễu trong ảnh, chỉ tập trung chủ yêu vào việc phân đoạn khối của biểu mồ tuyễn tụy

1.2 Mục tiêu của khóa luận

Khóa luận tập trung thực hiện phân đoạn khối u nhằm nâng cao hiệu suất

và cải thiện độ chính xác về giá trị DSC so với các nghiên cứu trước Cụ thể là

như sau

á, — Nghiên cửu cácphương phấp iếp cận về trích xuấttuyển tuy = vùngchứa khốiu Từ đó để xuất ý tưởng mới dựa vào phương nh học của môi pháp được chọn nhằm loại bỏ thông tin nhiễu trong quá trì lình CNN, Nghiên cứu mô hình Ư ~ nettrong việc phân đoạn ảnh y khoa nhằm phân đoạn khối u một cách tự động

Việc kiểm tra tính hiệu quả của mô bình CNN để xuất khóa luận sử dụng

tập dữ liệu công khai của cuộc thi Medical Scgmentation Decathlon (MSD), đây

là chộc thì về phân đoạn ảnh y tế, được tổ chỉ

đánh c kỉ thuật phân đoạn hình ảnh y tế Cuộc thi đã đưa ra c¿ nhằm thúc đầy sự phát triển và thách thức khác nhau về phân đoạn ảnh y tế, bao gm phân đoạn tẾ bào ung thư, phân đoạn

từ khắp nơi trên thể giới, những người đã đóng góp đáng kể vào sự tiền bộ trong lĩnh vực phân đoạn hình ảnh y tế Để đánh giá chất lượng của phương pháp, khóa luận sứ dụng giá trị DSC để do sự tương đồng giữa ánh dự đoán và nhân thực tế

"Nhằm thực hiện được mục tiêu đã nêu, khóa luận thực hiện các công đoạn sau đây

i Tién hanh nghiên cứu các phương pháp trích xuất vùng quan tm —nhimg vùng chứa thông tin cẳn thiết cho việc phân đoạn khối u ii Tìm hiểu về thực trạng của các nghiên cứu, đưa ra ưu điểm và mặt hạn chế của các công trình nghiên cứu đã áp dụng trước đó iii, Tìm hiểu về mô hình U — Net, các phương pháp cải thiện mô hình Ư — Net

iv Xây dyng mé hinh U — Net đã được cải tiền cho bài toán phân đoạn khối biểu mô tuyển tụy, kết hợp với ý tưởng đề xuất đẻ cải thiện gid tri DSC

"Về mặt thực nghiệm, khóa luận để xuất thực nghiệm và đánh giá mô hình trên tập dữ liệu MSD Đưa ra các chỉ số đánh giá và đặc biệtlà giá tr] DSC trong việc đánh giá khối u trên tập dữ liệu và so sánh giá trị DSC với các nghiên cứu khác Đồng thời chỉ ra mặt hạn chế trong quá tình nghiên cứu cằn được khắc phục, điều này sẽ được trình bày trong phần kết luận của chương %

4 Giới hạn của khóa luận

Trong phạm vi nghiên cứu, khóa luận chỉ tập trung nghiên cứu theo hướng tự động pháthiện khối u biểu mô tuyến tụy Việc cập nhật trong quá trình huấn luyi khóa luận sử dụng giá trị DSC, chưa sử đụng các phương pháp khác

để tỉnh độ tương đồng giữa ảnh dự đoán và nhăn thực tế, Khóa luận chỉ sử dụng tập dữ liệu MSD cho quá trình huần luyện và kiểm thử, không sử dụng thêm tập

dữ liệu khác,

1.5, Tóm tắt những đóng góp của khóa luận

Khóa luận có những đóng góp vỀ mật khoa học và (bực tiễn, chỉ iết được trình bày ở phần 1.5.1 và L5

"Đồng góp về mặt khoa hoc

Khóa luận đã đề xuất phương pháp trích xuất vùng quan tâm dựa trên nhãn

thực của dữ liệu rong tập dữ liệu MSD Cụ thể là khóa luận đưa ra phương pháp tông ra bốn phía để đâm bảo vùng quan tâm chứa nhiều nhất các thông tin cần thiết trong việc phân đoạn khối u biểu mô tuyển tụy

Khóa luận tỉnh chỉnh mô hình Ư —

nhằm tôi ưu hóa số lượng tham số đầu vào của mô hình, Đồng thời giảm khối

1.6 Tổ chức khóa lui

"Để đạt được mục tiêu trên, khóa luận được trình bày thành năm chương

có cấu trúc như sau:

"Trong chương này, khóa luận tình bày về các nghiên cứu liên quan đến vẫn để nhận điện khối biểu mô tuyển tuy một cách tự động, những phương pháp tiếp cận để trích xuất tuyến tụy cho mo hi đảo tạo và giá trị DSC trong việc đánh giá mô hình của quá trình đào tạo Các nại

—Net và PGD ~ UNet

“Chương 3: Phân đoạn kh:

pháp đề xuất

“Trong chương này, khóa luận trình bày về cơ sở lý thuyết và

n cứu liên quan bao gồm các mô hình như: DLU,

biểu mô tuyến tụy dựa trên phương phương pháp để xuất được xây dựng đựa trên nghiên cứu của tác giả Quannan Li và cộng sự của ông Tình bày về mô hình U ~ Net được cải tiền để đảo tạo dữ liệu và giá trị DSC để đánh giá mô hình

trong quá trình đào tạo

“Chương 4: Kết quả thực nghiệm

"Trong chương này, khóa uận trình bây các bước tế hành cũng như thự nghiệm rên bộ dỡ lều MSD Sau đó đưa ra đình giá và

để xuất

“Chương 5: Tổng kắt

“rong chương này khóa luận trình bày phần kếtluận và nêu hướng phát triển trong tương lai

Chương 2 Các nghiên cứu ung thư biểu mô tuyển tụy 2.1 Tổng quan các mô hình phân đoạn ảnh

“rong những năm gần đây, các thuật toán phân đoạn hình ảnh y tế dựa tiên Deep Learning liên tục phát triển Cụ thể là Fully Convolutionnal neural netvork [7] (ECN) là một trong những mạng thân kinh đầu tiên được để xuất để phân đoạn hình ảnh FCN có khả năng xử lý ảnh đầu vào có kích thước khác

ử dụng các lớp fAlly connected

thành các phần nhỏ hơn Mô hình FCN thay vì

như trong các mạng nơ — ron truyền thông thì nó chỉ sử dụng các lớp thước đầu ra cho ảnh Điều này giúp FCN giữ được thông tin không gian của hình ảnh trong quá trình xử lý và cho phép đầu ra có kích thước tùy ý Lớp Transposed convolutional

Các lớp tích chập

Hình 2.1- Mô hình mạng Fully convolutional neural network (71

Mô hình FCN bao gồm các lớp tích chập và transposed convolutional

trong lớp tích chập chửa hàm kích hoạt được gọi là activation Các lớp tích chập

được sử dụng để trích xuất các đặc trưng của ảnh đầu vào sau đó qua hàm

ch hoạt các giá rịtrong ma trận đầu ra, transposedconvoluonal

aetivation để

là lớp có chức năng phục hồi kích thước của ảnh đầu ra Điều này làm cho mô hình FCN có cấu trúc dạng encoder ~ decoder, các lớp tích chập đại diện cho phan encoder, lớp transposedconvolutional đại diện cho phần decoder Mô hình

FCN được íng dụng phổ biển trong ác bài toán phân đoạn ảnh đơn giản, nơi

mô hình được huẳn luyện để phân đoạn từng pixel trong ảnh đầu vào thuộc về

lớp nào Với FCN, việc phân đoạn ảnh trở nên hiệu quả vả đơn giản hơn vì nó

có khả năng xử lý các ảnh đầu vào có kích thước khác nhau và cho ra kết quả

với kích thước tương ứng Mặc dù mô hình FCN có nhiều ưu điểm nhưng nó

cũng tôn tại một số nhược điểm như:

« Tốn tài nguyên tính toán và thời gian: FCN có nhiễu lớp convolutional va transposed convolutional digu niy dẫn đến tổn tài nguyên va mắt thời gian ính toán của hệ thông Đ giảm thiên vấn để này, các kiếntrúc mạng khác như U ~Net, SegNet vi Mask

Ñ — CNN đã được phát triển để sử dụng tài nguyên tính toán hiệu Không giữ được thông tin v cầu trúc không gian: FCN chỉ xử lý ảnh theo cách giống như chúng là một tập hợp cóc pixel độc lập Đổi với những hình ảnh phức tạp, đặc biệt là ảnh y khoa có cấu

có thông tin về cầu trúc không gian của ảnh như là việc xác định phục vấn đề này, các kiến trúc mạng sau đó đã tích hợp thêm các

mô ~ đun biển đồi không gian để lưu giữ các vị trí trong không, đoạn trở nên chính xác hơn

Với vấn tài nguyên tính toán và thời gian của mô hình FCN, các nhà nghiên cứu Ronneberger, Olaf, Philipp Fischer va Thomas Brox tiép tue cai

thiện mạng nơ ~ ron FCN và đề xuất mạng nơ ron U — Net Đây là mô hình

mạng học sâu được sử dụng phổ biển trong các bài toán xử lý ảnh y khoa, đặc

biệ là ong việc phân đoạn ảnh y tế Mô hình được đặttên theo hình dạng của Phần encoder có có chức năng trch xuất các đặc trưng của hình ảnh, cấu tạo của

phần này bao gồm 4 tầng học sâu, mỗi tẳng được cầu tạo từ hai lớp tích chập và

theo sau là một lớp pooling Các láp tích chập có chức năng làm nỗi bật và trích

1?

lại ảnh gốc từ các đặc trưng đã được trích xuất phần này có cấu tạo gồm 4 ting, mỗi tẳng gồm một lớp up ~ convolutional (transposed convolutional) và theo

au đồ là hai lớp ích chip Lép transposed convolutional duge sir dung dé ting kích thước của các đặc trưng ở phẩn encoder trước đó lên gắp đôi, sau đó hai lớp tích chập sẽ trích xuất các đặc trưng mới này để mô hình học được dữ liệu mới từ các đặc trưng nỗi bật nhất của hình anh, Cau trúc đây đủ của mô hình U

—Net được thể hiện ở hình sau:

18

của mô hình FCN, chính kỹ thuật skip conneetion giữa các lớp trong quá encoder và decoder giáp cho thông tin về đặc trng được iữ nguyên, làm độ thể phân đoạn chính xác các đối tượng nhỏ và phốc tạp nhưà ảnh y khoa, đồng thời giảm khối lượng tính toán và thời gian để xử lý các đối tượng ảnh

“Các mô hình CNN phân đoạn ảnh y khoa được đỂ xuất sau này về cơ bản

đều dựa trên kiến trúc mạng Ư ~ Net vả độ chính xác phân đoạn của chủng cũng được cải thiện trong từng bài toán cụ thể Mặc dù mô hình Ư ~ Net làm rất tốt

tong việc phân đoạn hình nh y khoa nhưng với những đối tượng có nhiều hình dạng, kích thước nhỏ trong ảnh y khoa cũng là một vẫn đề lớn ảnh hưởng đến sắc đối tượng cỏ đa dạng kích thước và vị tr trong ảnh ý khoa, khiến cho việc phân đoạn trở nên khó khăn, không đảm bảo tính chính xác.Zhou Yuyin và đồng nghiệp của ông ấy đã để xuất mạng nơ ron Hyper ~ Pairing Network (HPN)

và tôi ưu hóa độ chính xác của mạng trong việc phân đoạn khối tuyển tụy trên

các ảnh có iu trúc 3D Tuy nhiên mô hình này không thể trích xuất chính xác các đặc trưng biến dạng khi phân đoạn các tổn thương tung thư tuyển tụy với giữa các pixel,từ đây việc xác định mỗi liên hệ giữa các pixel và vị trí của chúng trên ảnh đổi với các cơ quan có cầu trúc phức tạp trong cơ thể là điểu rất

hành

trọng trong quá trình phân đoạn

“Trong lĩnh vực phân đoạn ảnh y khoa đặc biệt là phân đoạn ung thư biểu

in DLU ~ Net,

mô tuyến tuy, có những kiến trúc mạng được để xuất như mô PGD — Unethay phương pháp Coarse to Fine, Các mô hình và phương pháp này khắc phục được vấn để về những thay đổi lớn của hình dạng các đối tượng trong quả trình phân đoạn, chúng xác định được cấu trúc vàm liên hệ giữa các pixel

từ đó làm cho quá tr th phân đoạn chính xác và hiệu quả hơn Ngoài những mô hình DLU — Net, PGD ~ UNet và phương pháp Coarse to Fine còn có nhiều

19

nghiên cứu khác đang tiếp tục được thực hiện để tim ra những kiến trúc mạng

mới và cải thiện kết quả phân đoạn trong lĩnh vực ảnh y khoa Nhưng các mô

hình và phương pháp này vẫn nổi bật hơn cả trong giai đoạn hiện tại về vẫn để phân đoạn này ở bên dưới

3.3 Các mô hình phân đoạn ung thư biểu mô tuyển tụy

DLU — Net trong phân đoạn khối biểu mô tuyến tụy

Xuất phá từ vẫn đề của tuyến tụy đồ là kích thước tương đối nhồ và đa

dạng Do vậy các mạng lưới phân đoạn trước đó không thể trích xuất chính xác

các đặc điểm bindạng của khối u khi phân đoạn các tổn thương ng thư biển hình DUU ~ Net sử dụng các lớp tích chập có th thay đồi hình dạng để mô hình

hóa đối tượng có sự biển đối hình dạng không xác định Cấu trúc của mô hình

DLU — Net được thể hiện rong hình sau

Hình 2.3- Kiến trúc DLU — Net [2] Kiến trúc của mô hình DLU — Net bao gồm qué rinh encoder va decoder, mỗi quá trình đều có bốn buớc xử lý Mỗi bước ở quá trìnhencoder bao gồm bai lớp tích chập kết hợp với lớp Batch Normalization (BN) và hàm kích hoạt thiện tốc độ huần luyện của mạng nơ ~ ron, sau đó bản đồ đặc trưng được chuyển

20

học các đặc trưng do giảm sâu ở từng tằng của mạng nơ ron, một mạng chip densely connected duge thêm vào lớp cuối cùng cho quá tình mã hóa

“Trong quá trình đecoder ông và cộng sự của mình đã sử dụng cầu trúc BConyLSTM để kết hợp các bản đồ đặc trưng khác nhau, Cu trúc này có tác

dung xử lý các thông tin không gian và thời gian trong quá trình phân đoạn hình:

ảnh, Bằng cách sử dụng BConvLSTM, mô hình DLU ~ Net có thể đem lại kết quả phân đoạn chính xác hơn so với việc đơn giản là nỗi các đặc trưng ở phần encoder sang phẫn deeoder trong mạng U ~ Net truyễn thống Thực chất mô biển đổi không gian kết hợp với cầu trúc BConvLSTM, điều này đã giải quyết được vẫn đề biến đổi không gian mã các mô hình trước đây chưa làm được

'Quá trình decoder có bản đồ đặc trưng của mỗi lớp được tạo thành từ hai

phần: một phần là từ bản đỗ đặc trưng của quá trình encoder vi một phần từ bản

đồ đặc trưng tương ứng của phin decoder hign tại Thay vì đơn giản ghép hai

phần lại với nhau như trong mạng U = Net truyền thống thì DLU ~ Net sử dụng cấu trúc BConvLSTM để kết hợp hai bản đồ đị trưng nay lại với nhau, tạo ra kết quả phân đoạn chính xác hơn Qua thực nghiệm trên tập dữ liệu MSD, mô hình DLU ~ Net cho kết quả phân đoạn khối u biểu mô tuyến rất tốt so với c:

mô hình cổ điển trước đó với giá trị DSC trung bình là 91.16

Mô hình PGD ~ UNet trong phân đoạn khối u biểu mô tuyến tụy

Do bản chất của tuyển tuy và khối u biểu mô tuyển vỀ hình dạng và kích thước không đều, đặc biệtlà khối u do tính xâm lắn của nó đến các mô tuyển tuy, điều này dẫn đến khối u có nhiều các biến thể về hình dạng Trong hầu hết

lên tuyển tụy, điể

cắc tưởng hợp, khối ụ sẽ chẳng này gây rổ ngại cho việc phân đoạn chính xác tuyển tuy và khối u cùng một lúc Sự biển đối kích việc gần nhãn của các chuyên gi y tế về tuyển tuy cũng gặp rất nhiều khó khăn

Cuối cùng là sự mắt cân bằng giữa các cơ quan nội tạng trong ảnh CT cing gay

khó khăn trong việc phân đoạn ung thư biểu mô tuyến tụy

Để gii quyết các thách thức nôi trên, đặc biệt là vấn đề biến dạng của tuyến tuy và khốiu trong ảnh CT một số kiến trúc mang CNN đã được cải tiến bằng cách tích hợp vào các lớp tích chập in danglim cho mô hình có thể định hình được các biển thể của khối u,điễu này làm cho mô hình phân đoạn trở lên

tính năng của lớp tích chập có thể biến dạng, bằng cách thêm ede offset bd sung vào vị tr lấy năng mô hình hóa các biển đổi hình học của những đặc trưng trong mạng CNN, XMặc dù mô hình hóa biển đổi hình học được ải thiện nhưng vẫn còn một số vẫn

để tổ n đọng tong lớp tích chập biển dạng Trước tiên, ớp tích chập biến dạng đồi hỏi vị trí hông tin chính xác để tính toán offset, didu này xung đột với tích

vô hướng của CNN, Mặt khác, các offset được học tử các bản đổ đặc trưng trước

đó, khó có thể đảm bảo rằng các ofiset phù hợp được học với cùng một vùng tiếp nhận Để khắc phục nhược điểm này Ziqiang L và cộng sự của ông đã để

xuất mô hình PGD ~ UNet để cải thiện sự biển dạng của cấu trúc giải phẫu, đặc

biệt là các cơ quan trong cơ thể và khôi u,

hợp với cc lớp tích chập biển dạng và các lớp CoordPool (ớp đường dẫn định

(ASPP) Lớp tích chập có tính năng học các đặc trưng của hình ảnh, lớp

Deformable Convolution sir dung céc offset dé cai thiện khả năng mô hình hóa thé của cúc đối tượng ảnh để hỗ trợ cho lớp Deformable Convolution, lap CoordConv sử dụng thông tin về vị trí của các điểm ảnh để cải thiện Khả năng dụng để giảm bớt số lượng tham số cho mô hình giảm chỉ phítính toán và giúp tăng tốc độ hudn luyện của mô hình, đồng thời lớp này còn được sử dụng để

hình mà quá trình phân đoạn tuyển tụy và khối u trở nên chính xác hơn, kết quả

thực nghiệm trên tập dữ liệu MSD cho thay gi trì DSC trung bình của tuyển tuy

và khối u biểu mô tuyển lẫn lược à 77.01% và 50.12,

Chương 3 Phân đoạn khối biểu mô tuyến tụy dựa trên phương pháp đề xuất

3.1 Cơ sở lý thuyết

Trong chương này, khóa luận trình bày về phương pháp tạo ảnh CT để

liễu rõ được cấu tạo của nó Sau đó khóa luận trình bày về

người đọc có thể

phương pháp tiếp cận và đưa ra phương pháp để xuất để thực hiện phân đoạn ung thư biểu mô tuyển tuy Cuối cùng khóa luận trình bày về mô hình U ~ Net được cải tiến cho quá trình phân đoạn khối u biểu mô tuyển 3.1.1 Anh CT

Ảnh CT 1a mt cng nghé hinh anh y té duge sit dung 48 tao ra hình inh chi tiết về các bộ phận bên trong cơ thể con người hoặc động vật bằng cách sử dụng ede tia X Anh CT được tao ra bằng máy chụp CT, nó có thể

tạora các ảnh CT, các chuyên giay tế sẽ phân tích và chuẩn đoán các bệnh

ý của bệnh nhân dựa trên những hình ảnh này Việc tạo ảnh CT là một quá trình nhanh chóng và không gây đau đón cho bệnh nhân Tuy nhiên, vì nó

xử dụng tia X nên cũng gây ra rủi ro cho các bệnh nhân